Guias

Escreve um prompt vago ('faça uma análise de X') e ele devolve algo genérico que você precisa reescrever.

Forneça ao modelo: (1) um papel/contexto concreto, (2) o formato exato de saída que você quer, (3) 1-2 exemplos do que SÍ e do que NÃO. Os três modelos respondem melhor a instruções estruturadas do que a prosa solta.

Em vez de "resuma este contrato": "Você é um advogado revisando este contrato de arrendamento. Devolva uma lista de no máximo 5 cláusulas arriscadas, cada uma em uma linha: [cláusula] — [por que é arriscada] — [o que pedir em vez dela]."

Você tem acesso a vários modelos e não sabe qual usar para quê — acaba usando sempre o mesmo por hábito, não por critério.

Pergunte-se três coisas na ordem: (1) os dados são sensíveis? → se sim, primeiro local. (2) a tarefa é código de formato longo/agentico? → Claude Opus/GPT-5.3-Codex. (3) precisa de contexto enorme (documentos longos)? → Gemini. Tudo o resto (chat, resumos, tarefas curtas) → o modelo local mais barato que resolva bem.

Revisar um contrato com dados pessoais de um cliente: modelo local (nunca sai do seu servidor). Refatoração grande de um repositório: Claude Opus ou GPT-5.3-Codex-Max. Resumir 300 páginas de um relatório: Gemini pela janela de contexto.

Quer testar um modelo local mas não sabe o que hardware precisa nem por onde começar.

Para Qwen3.6 27B (denso, o ponto ideal neste momento): mínimo uma GPU de 16-24GB VRAM em Q4. Instale llama.cpp ou Ollama, baixe o GGUF quantizado (Q4_K_M é o equilíbrio padrão qualidade/tamanho), execute o servidor local e conecte qualquer cliente compatível OpenAI a `http://127.0.0.1:8080/v1`.

`ollama pull qwen3.6:27b` → `ollama run qwen3.6:27b 'explicame qué es RAG en 3 líneas'`. Primeiro output em minutos, não horas.

Os dois são gateways de chat (WhatsApp/Telegram/etc.) a agentes de IA — qual vocês escolhem e por quê?

A pergunta real não é "qual é melhor", mas "onde você quer que o modelo viva". O OpenClaw é open-source, mas BYO-API-key — por padrão, suas mensagens passam pela nuvem de um terceiro (Claude/GPT/Gemini), embora o gateway rode em sua máquina. O ImaginClaw roda sobre modelos locais (Hera) por padrão, com nuvem apenas como fallback explícito.

Se preocupe por que nenhuma mensagem saia da sua infraestrutura (legal, saúde, dados de clientes): Imaginclaw ou um OpenClaw configurado exclusivamente com Ollama local. Se quiser a capacidade frontier sem montar infraestrutura própria: OpenClaw com API de Claude/GPT.

Não é óbvio quando a diferença entre 'local' e 'nuvem' é apenas preferência técnica e quando é uma decisão real de risco.

Pergunte-se: se esta conversa vazada amanhã, quem é prejudicado? Dados pessoais de terceiros (clientes, pacientes, funcionários), segredos comerciais ou qualquer coisa com obrigação legal de confidencialidade → local é a resposta correta, não uma preferência. Para tudo o resto, a nuvem é mais simples e geralmente basta.

Um escritório de advocacia processando processos de clientes: locais, sem discussão (e na Colômbia, com implicações reais sob a Lei 1581 de 2012 de proteção de dados). Escrever um rascunho de post de blog: qualquer um dos dois.

Cada nova release diz 'supera X em benchmarks' — e quase nunca é informação que te ajuda a decidir se vale a pena para você.

Traduza para o PORTUGUÊS DO BRASIL. Estilo técnico e direto. Mantenha números, nomes próprios e o marcação **negrito**. Retorne apenas a tradução. Ignore o benchmark do fornecedor. Crie 5 a 10 tarefas REAIS do seu próprio trabalho (não genéricas), execute-as contra o modelo atual e o novo, comparando-as às cegas. Se não houver diferença real nas suas tarefas, não migre apenas pelo número do benchmark.

Antes de migrar de um modelo para outro para revisão de contratos: pegue 10 contratos já revisados por um humano, execute ambos os modelos e conte quantos erros reais (não de estilo) cada um comete.

A jargão de IA está cheia de termos que soam importantes, mas que ninguém explica em uma frase útil.

20 termos, um por linha: **Token** — a unidade mínima de texto que um modelo processa (não é exatamente uma palavra). **Contexto** — quanto texto o modelo consegue "ver" de uma vez. **Quantização (Q4/Q8)** — comprimir um modelo para que ocupe menos VRAM, com pequena perda de qualidade. **VRAM** — memória da GPU, o gargalo real para rodar modelos locais. **MoE (Mixture of Experts)** — um modelo grande que só ativa uma parte de si mesmo por token (mais rápido que um modelo denso do mesmo tamanho total). **Fine-tuning** — re-treinar um modelo com os seus próprios dados. **RAG** — buscar informação real antes de responder, em vez de confiar no que o modelo "lembra". **Agente** — um modelo que pode usar ferramentas (buscar, executar código, navegar) em um loop, não só responder texto. **Alucinação** — o modelo inventa um fato com total confiança. **Temperatura** — quanto de aleatoriedade a resposta tem (0 = determinístico, mais alto = mais variado). **System prompt** — a instrução invisível que fixa o comportamento do modelo antes da sua mensagem. **Janela de contexto** — o limite total de tokens (seu prompt + a resposta) que o modelo consegue manejar em um turno. **Embedding** — converter texto em números para poder compará-lo por similaridade. **Zero-shot / few-shot** — pedir uma tarefa sem exemplos vs. com 1-2 exemplos no prompt. **Open-weight** — os pesos do modelo são baixáveis (não significa que seja leve nem fácil de rodar). **API** — como o seu código fala com um modelo que roda em outro servidor. **Latência** — quanto tempo demora para responder. **Throughput** — quantas requests ele consegue atender em paralelo. **Prompt injection** — um ataque em que texto malicioso dentro do conteúdo que o modelo processa o faz se desviar das suas instruções. **Guardrail** — uma regra externa ao modelo que bloqueia ou corrige o seu output.

Este modelo possui 262K de contexto = pode ver ~200.000 palavras de uma vez, não que "é mais inteligente".

O modelo 'esquece' algo que você disse antes na mesma conversa, ou corta a resposta ao meio.

Tudo que entra e sai de um modelo é medido em tokens (aprox. ¾ de uma palavra em português/inglês). A janela de contexto é um limite TOTAL compartilhado entre seu prompt + o histórico + a resposta — não são cotas separadas. Se você se aproximar do limite, o modelo começa a perder detalhes do que ficou mais atrás.

Um modelo com 128K de contexto e uma conversa de 100K tokens de histórico possui apenas 28K livres para sua próxima mensagem + a resposta — se solicitar um documento longo ali, ele será cortado ou resumido excessivamente.

Quer que o modelo 'sabe' algo específico do seu negócio e não é óbvio qual das três técnicas usar.

**Prompting** (colocar a informação diretamente no prompt) — para dados pequenos, que mudam com frequência, sem necessidade de infraestrutura. **RAG** (buscar e trazer informações relevantes antes de responder) — para bases de conhecimento grandes que mudam com frequência (documentos, políticas, catálogos). **Fine-tuning** (re-treinar o modelo) — apenas quando for preciso mudar o ESTILO/comportamento do modelo, não para adicionar dados — é mais caro e não é a forma correta de "ensinar fatos" a ele.

Um bot que responde sobre 500 produtos de um catálogo que muda semanalmente: RAG, sem fine-tuning. Um bot que deve responder sempre em um tom jurídico específico, independentemente do tema: aí sim o fine-tuning faz sentido.

Os três são 'open-weight' mas têm requisitos de hardware completamente distintos — a etiqueta não diz se vocês podem rodá-los.

Qwen3.6 27B denso: executa em 1-2 GPUs de consumo (16-24GB VRAM em Q4) — o único dos três realmente acessível para auto-hospedagem individual hoje. Kimi K3 (2.8T parâmetros) e DeepSeek V4 (até 1.6T): pesos abertos, mas escala de datacenter — centenas de GB de VRAM mesmo quantizados, projetados para serem servidos via API de um provedor ou um cluster próprio, não para sua estação de trabalho.

Se você tem 1-2 GPUs e quer rodar algo AGORA: Qwen3.6 27B. Se quiser a capacidade máxima open-weight e não se importa em pagar a um provedor que o hospede: Kimi K3 ou DeepSeek V4 via API.